Get best of the week

我们如何从一个男人那里筛下来并帮助磨坊

人工智能（以及所有相关技术）的好处很难被高估。训练有素的神经网络可以提高对技术本身的兴趣，例如，通过创建社交网络的蒙版或以您喜欢的艺术家的风格生成歌曲，并在实际案例中显示出实际的好处-从预测生产事件到寻找失踪人员。

在本文中，我们将仅讨论AI在重工业中的实际应用（是的，我们不仅可以进行应用），即技术如何帮助一家矿石加工厂显着提高工作效率并停止追赶人们。一天，将一块大筛子筛过一块岩石。



1949年，苏联勘探飞行员米哈伊尔·苏尔古塔诺夫（Mikhail Surgutanov）飞越哈萨克斯坦的一个领土（萨贝区），并看着指南针，注意到箭头开始无视北方并治愈了它的生命。是的，就像在电影中检测到某种磁异常一样。

实际上，是到达地质学家确认的是她。然后很简单：由于这里铁矿石矿床较多，因此有必要进行开采。结果是1957年修建了Sokolovsko-Sarbaisky采矿和加工厂。因此，有人来做这件事，同时建立了一个城市，叫做Rudny。

如今，约有115,000人居住在哈萨克斯坦，这是哈萨克斯坦最大的生产，每年处理超过4000万吨的铁矿石。

为什么需要将矿石磨成一定尺寸


矿石加工的真正想法是从中提取金属。在我们的案例中，矿石是铁，并且从铁中获得铁，然后将铁投入炉中并进行主动熔化。立即给火炉喂一块冰箱大小的矿石是一个主意。矿石必须粉碎。因此，在最初破碎岩石之后，将矿石块驱动通过特殊的磨机，这将在输出处提供所需的馏分。

我们正是在这家工厂集中精力的。感谢来自ERG（欧亚集团）的人员，我们有机会从软件角度参与了该项目并提供了解决方案。

磨机的效率受以下参数的影响：矿石本身的粒度分布，供水和运行方式本身（提供的功率，扭矩等）。问题在于，通常在生产过程中，这种参数（例如，输入矿石碎片的大小）会暴露在眼前。也就是说，员工每天要进行几次大筛，然后将矿石过筛，然后在此基础上建立工厂。

图片

例如，专家规定了基于一个颗粒的操作模式。组成（分别一次）-这次磨机将精确地工作。如果有人为计算重新保险，那么轧机将成功研磨所有工件，但一段时间后，它将空转。

如果您将磨机的运行时间设置为较短，那么有些磨碎机将无法磨成所需的尺寸，您将不得不重新开始该过程。工厂运行的每一分钟都会产生电费和水费，更不用说原则上花费的时间了-您必须重新装载矿石并更新工厂的设置。以这种方式反复发射一天的工作对于工厂来说可能是昂贵的，如果这种情况已成为常态，那么每年的财务损失将非常明显。

因此，确定传送带上矿石的大小是一项重要的任务，我们必须尽可能准确地做到这一点。

图片

工作怎么样



我们首先勾勒出了几种选择，从X射线分析和激光到3D模型以及超声的使用，但我们决定仍然使用摄像头和计算机视觉功能的系统：质量是水平的，但是项目资源得到了明显的节省。

当您创建一个必须在视觉上评估某些对象并将其分为“正确”和“错误”的系统时，您需要将此“正确”馈入算法，以便使其有重点关注。根据ERG的信息，我们注册了设备的位置-应该放置在什么地方以及应该放置什么，有一些盖子，如何安装摄像机等等。（但是，随着设备的交付，一切并没有那么迅速：飞行员于5月份来到，所以一半的交易对手转换为“ 5月之后再来”模式）。

图片

另一件事是，磁带以每秒2米的速度移动，因此一块矿石在大约50秒内设法通过了一百米的标准。

我们花了几个星期的时间来设置相机并收集用于训练模型的照片，在此期间，我们设法收集了约2000张合适的照片，并开始以半自动模式布置照片。顺便说一下，我们使用快门速度为1 / 2000s的Basler工业相机拍摄所有东西，否则很难获得足够的小物体高速运动的照片。总共购买了三台这样的相机，但是到目前为止，其中两台正在运行。


这是磁带在相机眼睛中的外观

因此，必须送至磨机的石头被视为大于16毫米的碎片。少的东西都被认为是相关的垃圾（沙子，灰尘，其他杂物）。如果一块矿石少于一科比硬币（直径为15.5毫米），那就过去了，所有较大的矿石都应视为磨坊的有效载荷。


这是自动标记算法看到石头的方式，如下所述

处理


图片


图片
, , 4 . 2 ( ), .

图片

图片


, 15 ( , , 16 , 16 20 , 15, ).

然后该算法将这些数据转换为数值指标并计算每块矿石的面积，从而得出平均值（所需石头的像素面积与输送机面积的比率），再计算相邻框架上的浮动平均值。

但是，ERG的同事们没有一张照片，而是几年来给我们提供了许多有用的历史数据，通过这些数据可以确定矿石碎片尺寸的百分比（颗粒成分和大块石在总质量中的比例）。视频监控仅允许您评估磁带上矿石的顶层，因此我们可以预测其下的所有内容。

总的来说，我们用丝带上的宝石算法照片，用大于16毫米的宝石标记的图像，ERG的历史数据进行测试。在工厂规模和输送机条件下，输出精度约为80％，这是一个很好的结果。利用所有这些信息，算法可以确定矿粒的细度百分比。而这正是他们在设置轧机时所排斥的参数。

如何训练神经网络


我们已经在基于UNet的Fast-SCNN网络上实现了基础，但是没有太多的训练参数，此外，还存在一些层可以在强降维和许多其他有用的优化级别上抵御信息丢失的影响。这种网络的主要特征之一是能够将输出图像的大小适当减小高度和宽度的8倍。它的作者认为，侧面使用超过1024像素的图像是不切实际的，因为事实证明两个网络的质量大致相同，但是用于训练的参数数量相差几个数量级。

我们进行了几次实验，并为自己确定了最佳的可视化模型，为了进行验证，我们需要在准确性方面进行验证。为此，我们用自己的双手标记了几张照片，以检查网格对石头的识别程度（在像素开始时达到55.3％的开始精度）。

这是可视化的示例。

  • 紫色表示正确识别的石头像素。
  • 蓝色-预测变量识别为背景的石头像素。
  • 红色-背景像素，预测变量将其识别为石头。






得出结论，进行更多的锻炼，准确性提高到64.1％。原来已经是这样了。





如您所见，该培训非常有用。手动标记过程中未标记表示错误数量的红色区域。是的，在那里也可以看到石头，但是它们的大小会比我们所需的小得多。这个想法不仅是要减少错误预测的区域（红色像素）的数量，而且要增加蓝色区域的数量。最终的度量标准考虑到了背景像素要大得多的事实，因此，即使稍微去除红色区域也不会像改进蓝色区域那样提高精度。

但是有必要稍微增加标记量。用手做所有事情当然是好的，但是要在一定范围内。因此，他们在其他工具的帮助下启动了半自动标记，这是在某些地方您手动坐下和布置时，在某些地方需要自动选择区域。这是一个可视化示例：



总共标记了另外33张照片，在29处进行了额外的培训，然后我们检查了新批次中的四张图像和先前批次中的四张图像（手动标记）的结果。结果如下：手动标记精度为64.25％，半自动精度为6​​2.7％。这是可视化。





他们试图进一步补充半自动标记，但是质量并没有显着提高，因此他们开始考虑将此模型作为飞行员中的最后一个模型。

在业务


由于传送带移动很快，并且在一分钟内设法运送了许多石头，因此矿石重量数据每秒更新一次。显然，当您拥有此类数据时，您并不想将其保留在闪烁的标志中，并且我们为工厂的员工制作了特殊的仪表板，以可视化方式表示了过程。您可以跟踪所需时间段的总体结果，变更动态和其他数字。



7月，我们完成了算法训练并建立了所有相关流程，8月，我们在其中一条管道上启动了全面的试验。 ERG在检查模型后说，它们的准确性达到98％。

我们将控制摄像机的服务器放在工厂的装配线上：机器学习和计算机视觉与Chrome有点相似，它们很乐意“消耗”您将拥有的所有资源。因此，工厂，服务器和视频卡GeForce GTX1080。

我们在Docker上提供了一个Web服务，将其分为5个图像：

  • websocket服务。为了增加websocket与多个艺术家合作的能力，这是浏览器窗口中的websocket与db docker容器之间的中介。
  • 数据服务。与相机通信，识别图像中的结石，获取结石度量的服务包含一个开发的模型。
  • 面前。Nginx代理访问系统。
  • D b。访问累积数据库的图像。
  • 前台服务。Web界面的图像，以及对API的访问。


结果恰好是AI和机器学习技术应对生产流程产生的正确影响-整体劳动生产率的提高，人为因素的影响得以平衡，铁的提取更多，最重要的是降低了最终产品的制造成本。

冶金部部长告诉我们，根据2020年的结果，计划使用该模型另外生产约20万吨的成品，而生产成本将下降5％左右。因此，工厂的员工计划在所有类似过程中引入该技术。

是的，是的，关于此类帖子中的标准恐怖故事。引入机器技术后，没人会解雇一群人。之后，优秀的技术人员仍然是优秀的专家。

对于偶尔通过筛子筛分矿石的工人，您可以在工厂找到更有用的职业。

More articles:


All Articles